Theano / Tensorflow: Autoencoders, Restricted Boltzmann Machines, Deep Neural Networks, t-SNE и PCA.
Что ты хочешь узнать?
Понять Теорию основной components analysis (PCA)
Знать, почему PCA является полезным для dimensionsreduktion, Визуализация, Корреляции, и снижение шума
Производная PCA, Алгоритм руку
Писать код для PCA
Понять Теорию позади t-ЭНД
t-SNE в коде
Понять Границы PCA и t-ЭНД
Понять Теорию за autoencoders
Написать autoencoder в Theano и Tensorflow
Понять, как складываются autoencoders используются в глубине обучения,
Написать накоплением, снижение Шума autoencoder в Theano и Tensorflow
Понять Теорию позади restricted Boltzmann machines (RBMs)
Понять, почему RBMs они упорно тренируйтесь
Понять contrastive Divergence Алгоритм обучения RBMs
Свою Письменность УОР и глубокая вера network (ДБН), Theano и Tensorflow
, чтобы Отобразить и интерпретировать Особенности узнал autoencoders и RBMs
Требования
Знания, анализа и линейной алгебры
Python Программирование
есть Опыт работы с Numpy, Theano, и Tensorflow
Знания, как gradient descent используется для Вокзала machine learning Моделями
Install Python, Numpy, и Theano
Некоторые Вероятности и Статистики Знания
Код нейронной сети, feedforward в Theano или Tensorflow
Description
Этот Курс-это следующий логический Шаг в мою глубочайшую обучения, data science и machine learning Series. Я сделал Много Курсов, через Глубины учиться, и я только что видел Курс по nas обучения, в котором я Говорил о кластеризации и Оценки Плотности. Так что получается, когда эти 2 вместе? Автоматической Глубокого обучения!
В этом Курсе мы начнем с пары основных Вещей, главное components analysis (PCA), и популярный нелинейный dimensionsreduktion Технику, известную как " t-END (t-distributed Stochastic neighbor embedding).
Затем, давайте рассмотрим особый Тип без контроля нейронной Сети под названием autoencoder. После Описания, как autoencoder работает, я покажу Вам, как можно использовать многие из Них, для deep-stack autoencoders, что ведет к повышению Производительности мониторинг deep нейронной сети. Autoencoders они, как не-линейной формы PCA.
Наконец, давайте посмотрим, restricted Boltzmann machines (RBMs). Это еще один популярный unüberwachtes нейронной Сети, которые можно использовать таким же Образом, как autoencoders в pretrain Его обслуживали deep нейронной сети. Я покажу вам интересный Способ Обучения restricted Boltzmann machines, известной как Gibbs sampling, Особый случай Марковская Цепь Монте-Карло, и я собираюсь показать Вам, как, несмотря на то, что этот Метод-лишь грубое Приближение, приводит к Снижению Издержек, другие Функции, как autoencoders. Этот Метод также известен как Contrastive Divergence или КОМПАКТ-k. Как в физических Системах, дать определение Понятию вызова свободной Энергии, и попробовать это уменьшить.
В конце концов, мы будем выполнять все эти Понятия вместе, и я собираюсь показать визуально, что происходит, когда PCA и t-SNE, в Особенности autoencoders и RBMs мы узнали, и мы увидим, что, даже без этикетки, полученные Результаты свидетельствуют, что Шаблон найден.
Все Материалы, которые используются в этом Курсе, являются бесплатными. Из данного Курса является 4. в Глубине Обучения Серии, я предполагаю, что Вы уже знаете, расчет Комплексной, линейной алгебры и Программирования Python. Вам необходимо установить Numpy, Theano, и Tensorflow для этого Курса. Эти существенные Элементы в Его data инструментов google analytics.
Если Вы заинтересованы в Глубину, чтобы учиться и знать современный deep-learning, Эволюция, это не только простой ОБРАТНОЙ связи, в том числе Использование без контроля нейронных Сетей, чтобы интерпретировать то, что Функции могут автоматически иерархической узнал, в глубокую систему обучения, этот Курс для Вас.
Этот Курс фокусируется на "как построить и понять", не только "как использовать". Каждый может научиться API в 15 Минут после Чтения некоторых Документов. Речь идет не о "Памяти Фактов", это "видеть" сквозь Экспериментов. Они научат Вас, как визуализировать то, что происходит, в Модели внутренний. Если они хотят что-то большее, чем поверхностный Взгляд на machine learning Моделями, этот Курс для Вас.
ЖЕСТКИЙ, УСЛОВИЙ и ЗНАНИЙ, которые ПРИНЯЛИ их:
Внимание
линейная алгебра
Вероятность
Программированию на Python: if/else, Шлифовальные, списки, dicts, устанавливает
Numpy Кодирования: матрица и Вектор, Операции, загрузка CSV-Файла
можно написать feedforward нейронной сети в Theano или Tensorflow
СОВЕТЫ (всегда Курс):
, чем Видеть, 2x.
Рукописные Заметки. Это Может резко повысить Ее Способность удерживать Информацию.
Писать Уравнения. Если нет, то я гарантирую, что вы увидите, как какую-то Тарабарщину.
Много Вопросов для Обсуждения в классе. Чем больше, тем лучше!
Понимая, что большинство упражнений, занять несколько Дней или Недель.
Писать код, а не просто сидеть и смотреть в мой код.
В КАКОМ ПОРЯДКЕ ДОЛЖЕН ПОСЕТИТЬ ВАШИ КУРСЫ?
Взгляните на Беседу "в каком Порядке мне Ваши Курсы?" (доступно в Приложении одна из моих Курсов, в том числе бесплатный Трансфер от Numpy, конечно),
, этот Курс-это:
для Студентов и Профессионалов в поисках улучшения Своего Глубокого обучения репертуар
для Студентов и Профессионалов, которые хотят повысить Образование, Навыки deep neural networks
Студентов и Профессионалов, которые хотят узнать о современные разработки в Глубину узнать

DOWNLOAD
uploadgig


nitroflare


rapidgator


turbobit


takefile

---